Agentes

Netflix desarrolla un grafo de conocimiento para mejorar la observabilidad impulsada por inteligencia artificial

16 de noviembre de 2026 · 2 min de lectura

También publicado en Deutsch, Svenska, עברית, العربية

turned on gray laptop computer
Luca Bravo / Unsplash

Netflix está desarrollando un grafo de conocimiento basado en una ontología para acelerar las investigaciones de producción y proporcionar a los agentes de inteligencia artificial un entendimiento compartido de su entorno operativo.

La plataforma vincula datos sobre aplicaciones, incidentes, despliegues, alertas y dependencias de infraestructura. Esta iniciativa busca resolver el problema de los ingenieros que dedican horas a reunir información dispersa en diversos sistemas. La empresa afirma que gestiona más de 2.000 millones de solicitudes diarias y más de 38 millones de eventos de registro en tiempo real cada segundo. Durante la pelea entre Jake Paul y Mike Tyson en noviembre de 2024, su infraestructura soportó aproximadamente 65 millones de transmisiones simultáneas.

Actualmente, investigar una regresión de aplicación típica puede tomar unas cuatro horas, tiempo que se emplea mayormente en reconstruir las relaciones entre sistemas. Para solucionar esto, Netflix utiliza una ontología de observabilidad que define entidades operativas, sus propiedades y sus relaciones mediante estándares como RDF, OWL, SHACL y SPARQL. El grafo de conocimiento resultante se almacena en QuipuDB, una base de datos RDF distribuida construida sobre el motor de almacenamiento redb de Rust.

El sistema se alimenta a través de componentes llamados enriquecedores, que transforman la información de los sistemas operativos en triples de sujeto, predicado y objeto. Algunos procesos de enriquecimiento son deterministas, mientras que otros utilizan modelos de lenguaje extensos y técnicas probabilísticas para interpretar datos menos estructurados, los cuales se validan mediante reglas estrictas.

Netflix también integra el razonamiento humano al capturar discusiones de incidentes, incluyendo hipótesis y decisiones de mitigación. Su motor de correlación analiza 13 tipos de señales, como errores de registro, anomalías de métricas, trazas y cambios de código, para generar hipótesis clasificadas basadas en la proximidad temporal y la severidad.

Este grafo de conocimiento sirve de base para AutoRCA, el sistema interno de inteligencia artificial agentica de Netflix para el análisis de causa raíz. Los agentes utilizan la ontología como interfaz común para contribuir información sobre las mismas entidades operativas. El objetivo final de la compañía es evolucionar desde el análisis automatizado hacia la remediación automática y una infraestructura que se cure a sí misma.